Conteo de flores y frutos para el monitoreo del cultivo de aguacate Hass por medio de imágenes utilizando Machine Learning
Citas bibliográficas
Enlace de Referencia
Autores
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Fecha
Resumen en español
El cultivo del aguacate Hass es un producto que ha venido creciendo mucho en Colombia. Se caracteriza por cultivarse en terrenos con elevaciones, una larga vida útil de los árboles, una inversión substancial de largo plazo y una necesidad de soluciones de bajo costo a las cuales realmente se pueda acceder. Debido al terreno, los recorridos físicos son difíciles y examinar todos los árboles en detalle es complejo, por lo que soluciones que permitan monitoreo y seguimiento automático son de gran utilidad, en particular aquellas que sean de bajo costo. En este trabajo se desarrolló una aplicación que permite, por medio de imágenes de baja resolución obtenidas con una cámara de muy bajo costo, hacer un conteo automático de las flores y los frutos en los árboles. Para esto se utilizaron arquitecturas de redes neuronales como YOLOv5 y Faster RCNN-ResNet50, las cuales permiten la detección de objetos dentro de la imagen. En el caso de Faster RCNN la precisión fue muy baja por lo que se descartó, pero YOLOv5 mostró resultados prometedores, logrando una precisión del 80% para los aguacates y 39% para las flores. Con esto se genera información que permite hacer seguimiento a cada árbol para tomar acciones tempranas y corregir mal crecimiento, experimentar con nuevos tratamientos y generar un historial de datos que eventualmente permitirá hacer predicciones del rendimiento.
Resumen en inglés
The Hass avocado crop is a product that has been growing in Colombia. It is characterized for growing in sloped terrain, a long tree life, a long term investment and a need for low cost solutions. Due to the terrain, manual monitoring is complicated and examining every tree in detail very time consuming. So, solutions that allow for automatic monitoring can be very useful, specially those with a low cost. This project developed an application that, using low resolution images obtained with a low cost camera, allows an automatic count of flowers and avocados in the trees. In order to achieve this, neural network arquitectures like YOLOv5 and Faster RCNN-ResNet50 were used as they can detect objects in images. In the case of Faster RCNN the precision was very low and it was not used, however YOLOv5 showed promising results, achieving a precision of 80% for avocados and 39% for flowers. With this automatic count, a detailed monitoring of each tree can be done in order to take early actions, experiment new treatments and generate historic data that can lead to yield predictions.